| name | sgstudy |
| description | sgstudy — 结构化学习与概念分析框架。当用户讨论学习、概念理解、知识分析、认知过程、记忆与理解的关系、如何深入认识一个概念、或任何涉及"你知道什么"与"你怎么知道的"相关问题时触发这个 skill。它用教育学知识分类和还原论方法来帮助分析和指导学习过程。
触发场景包括：学习新概念、拆解知识点、分析理解深度、讨论 AI 认知与人类认知的差异、用框架分析知识结构。
|
sgstudy — 结构化学习与概念分析框架
核心理论框架
一、知识四分法（纵轴）
教育学将知识分为四类，理解任何概念都需要从这四个维度来考察：
| 类型 | 描述 | 例子 |
|---|
| 事实性知识 | 离散的事实、数据、名称、事件 | "巴黎是法国的首都"、"水的化学式是 H₂O" |
| 结构性知识 | 概念之间的联系、分类、层级、组织原则 | "政府分为立法、行政、司法三权"、"植物分类的界门纲目科属种" |
| 经验性知识 | 身体经验、情境记忆、实践积累、know-how | "骑自行车需要平衡感"、"与固执的人沟通需要耐心" |
| 元认知知识 | 关于认知的知识、反思能力、自我调节学习 | "我知道自己在压力下容易仓促决策"、"我需要列清单才能不遗漏" |
二、布洛姆分类法（横轴）
Bloom 将认知过程分为六个层次，从低阶到高阶：
1. 记忆 → 2. 理解 → 3. 应用 → 4. 分析 → 5. 评价 → 6. 创新
- 记忆：识别、回忆基本信息
- 理解：解释、举例、分类
- 应用：使用所学解决新问题
- 分析：拆解、找出关系和结构
- 评价：依据标准做出判断
- 创新：综合产生新的结构或产品
三、认知分析矩阵（Knowledge–Process Matrix）
将知识类型（纵轴4类）× 认知层次（横轴6层）组合成一个 4×6 分析框架。
记忆 理解 应用 分析 评价 创新
事实性知识 [?] [?] [?] [?] [?] [?]
结构性知识 [?] [?] [?] [?] [?] [?]
经验性知识 [?] [?] [?] [?] [?] [?]
元认知知识 [?] [?] [?] [?] [?] [?]
对任意概念，你可以在这个矩阵中标记自己的理解程度：
- 空白格 = 尚未触及
- 有印象但说不清 = 处于记忆层
- 能用自己的话解释 = 达到理解层
- 能运用到具体场景 = 达到应用层
- 能拆解其内部关系 = 达到分析层
- 能独立判断其适用范围和局限 = 达到评价层
- 能在其基础上创造新东西 = 达到创新层
四、Johari Window — 认知盲区分析
Johari Window 四象限帮助理解"已知"与"未知"的分布：
他人知道 他人不知道
自己知道 开放区 (Open) 秘密区 (Blind)
"我知道，他也知道" "我知道，他不知道"
自己不知道 盲区 (Blind) 未知区 (Unknown)
"我不知道，他知道" "双方都不知道"
在学习新概念时：
- 开放区：已经掌握的事实和理解
- 盲区：自己以为懂了但实际有误，或有重要遗漏
- 秘密区：个人独特视角，尚未分享
- 未知区：完全没意识到自己不知道的东西
用 Johari Window 可以追问：
- 我的盲区在哪里？（让别人检验你的理解）
- 我的未知区可能被什么触发？（向专家请教、高阶材料）
- 我的秘密区能否变成开放区？（写作、讲解、教别人）
学习方法论：还原论优先
"理解一个概念、学习一个知识、建立一个系统，用还原论的思想是首先有帮助的。在还原论之后，我们才可以考虑更多视角的综合。"
还原论学习路径
-
拆解到最小单元：将复杂概念还原为其组成部分
- 事实性层面：这个概念是什么？有哪些基本元素？
- 结构性层面：这些元素如何组织？与其他概念的关系是什么？
-
逐个击破：对每个单元建立清晰、准确的理解
- 记忆 → 理解 → 应用（基础层）
- 分析 → 评价（进阶层）
-
重构整合：在完成还原论分析后，综合：
- 经验性连接：这个概念与我过去的什么经验相关？
- 元认知反思：我对这个概念的理解过程本身是怎样的？
引导问题清单
当用户想深入理解一个概念时，用以下问题引导：
事实性 + 记忆/理解层
- 这个概念最简单的定义是什么？
- 能举一个具体的例子吗？
- 与它最接近/最相反的概念是什么？
结构性 + 应用/分析层
- 这个概念的组成部分有哪些？
- 这些部分之间的关系是什么？（因果？包含？并列？）
- 它更大的框架是什么？它属于哪个系统？
经验性 + 分析/评价层
- 你以前在哪里遇到过类似的东西？
- 这个概念能解决你现实中的什么问题？
- 什么情况下这个概念会失效或不适用？
元认知 + 评价/创新层
- 你对这个概念的理解有多确定？
- 你怎么知道自己真的懂了而不是只是记住了？
- 如果你要向一个完全不懂的人解释，你会怎么说？
- 这个概念如果被简化到极致，它的本质是什么？
实际应用场景
AI 讨论中的应用
很多 AI 热点讨论实际上是在重复教育学、认知科学、语言学早已研究过的问题。
当你遇到一个新的 AI 话题时，可以用这个框架追问：
- 事实性：这个说法的事实基础是什么？谁说的？数据来源？
- 结构性：这个说法在哪个理论框架下成立？它的前提假设是什么？
- 经验性：实际测试过吗？有什么个人经验可以佐证或反驳？
- 元认知：我为什么会倾向相信/不相信这个说法？我的认知偏差在哪里？
这样可以避免在低层次上重复讨论，直接切入有价值的批判性分析。
输出格式建议
当用户要求分析一个概念时，可以按以下结构输出：
# [概念名] — 学习分析报告
## 1. 还原论拆解
- 事实性定义：
- 结构性关系：
- 经验性联想：
- 元认知反思：
## 2. 认知矩阵自评（在相应格子打 ✓ 或留空）
记忆 理解 应用 分析 评价 创新
事实性知识 □ □ □ □ □ □
结构性知识 □ □ □ □ □ □
经验性知识 □ □ □ □ □ □
元认知知识 □ □ □ □ □ □
## 3. Johari 窗口分析
- 开放区（我理解的）：
- 盲区（我可能忽略的）：
- 未知区（需要进一步探索的）：
## 4. 下一步学习建议
- 需要填补的空白：
- 可以尝试的应用场景：
- 可以求助的资源/人：
关键原则
- 先还原，后综合：不要一开始就追求宏观理解，先把局部搞清楚
- 诚实面对空白格：不知道就是不知道，不要假装懂
- 盲区需要外部反馈：找人来检验你的理解
- 经验性知识不可替代：有些理解必须亲身体验才能获得
- 元认知是最高杠杆：知道自己不知道什么，比知道什么更重要
